Inférence causale par apprentissage multi-groupes

Causal inference through multi-group learning

• Auteur / Autrice : Hanqi Sun
• Direction : Gilles Stoltz, Evgenii Chzhen
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 01/10/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Mathématiques d'Orsay
• Partenaire(s) de recherche : Equipe de recherche : Probabilités et statistiques (LMO)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Causalité

Apprentissage équitable

Apprentissage en groupe

Apprentissage séquentiel

Causality

Fair learning

Group learning

Online learning

Résumé

Ce projet de doctorat aborde le problème de la stratification cachée dans l'apprentissage statistique et l'apprentissage séquentiel. Il vise à comprendre comment des structures de sous-groupes non observées influencent les résultats de l'apprentissage, et comment y remédier à travers le prisme de l'inférence causale. L'idée centrale est de concevoir des algorithmes d'apprentissage performants lorsqu'évalués sur des sous-populations latentes. Le projet commence par l'apprentissage multi-groupes en mode « batch » (avec toutes les données disponibles d'un coup), en analysant l'excès de risque pour des sous-groupes connus et en améliorant les techniques existantes : notamment, en évitant les conversions séquentiel vers-batch (qui sont trop « boîte noire ») et en proposant à leur place des alternatives interprétables et pratiques. Le projet explore également l'apprentissage dans des contextes de groupes structurés, tels que les structures hiérarchiques ou en grille, avec pour objectif de développer des algorithmes simples et optimaux, accompagnés de garanties théoriques. Il s'étend ensuite à l'apprentissage séquentiel et examine la minimisation du regret au niveau des groupes, dans des contextes d'observations « bandits » et/ou avec un vœu d'échantillonnage actif.

This PhD project tackles the problem of hidden stratification in statistical and online learning. It seeks to understand how unobserved subgroup structures affect learning outcomes and how to address them through the lens of causal inference. The core idea is to build learning algorithms that perform well across latent subpopulations. The project begins with batch multi-group learning, analyzing excess risk for known subgroups and improving over existing techniques using online-to-batch conversions. A key challenge is to derive interpretable and practical alternatives to black-box online algorithms. Further, the project explores learning under structured group settings, such as hierarchical or grid structures, aiming for simple and optimal algorithms with theoretical guarantees. It also transitions to online learning settings, where data arrives sequentially, and investigates group-wise regret minimization. Bandit feedback and active sampling settings introduce further complexity, prompting novel theoretical and algorithmic contributions. The work plan spans three years, with each phase focusing on a distinct set of challenges related to fairness, distributional robustness, and causal statistical learning under heterogeneity.